资讯
MAAGL：多智能体图学习借结构签名协作
一句话：9 月 9 日，arXiv 论文提出 MAAGL，将图划分为社区、为每个社区分配独立 agent 做区域专精，用「结构签名」表示证据，在四个基准上超越 SOTA 图学习法。
背景
- Agentic Graph Learning（AGL）让 LLM agent 顺序采样图作为证据；现有方法或用单 agent、或角色 agent 共享策略，对异质图区域次优。
核心要点
- MAAGL 将图划分为社区，每个社区分配独立 agent，做区域专精（region-specific specialization）。
- 结构证据用动态更新的「结构签名」表示（置换不变、定长），语义证据过滤到 relevance 最高的 top-k 节点。
- 基于相似签名的轨迹估计置信度，必要时触发辩论式协作。
- 在四个基准数据集上优于 SOTA AGL 方法。
为什么重要
- 把「多 agent 协作」引入图推理，且用定长结构签名解决图证据的排列不变与上下文膨胀问题。
- 对社交、引文、知识图谱等异质大图的可扩展推理有现实意义。
关键事实速记
- 论文：arXiv 2609.09565（2026-09-09）
- 方法：社区分区 + 独立 agent
- 证据：结构签名（定长/置换不变）
- 结果：4 基准超 SOTA
📂 原文链接：查看原文 →
← 返回资讯列表
AI8899 · 内容仅供学习参考